作者：Subhankar Pal

物联网 (IoT) 是移动运营商的主要商机。这就是为什么从头开始设计 5G 以支持苛刻的物联网用例和要求——包括 4G 和 Wi-Fi 难以处理的用例和要求。例如，5G 具有三个非常适合工业 4.0 应用的功能集。其中包括超可靠低延迟通信 (URLLC)，可将延迟减少至低至一毫秒，这对于时间敏感网络 (TSN) 和大规模机器类型通信 (mMTC) 等关键任务用例至关重要，这使 5G 网络能够支持每平方公里多达 100 万个物联网设备，例如自主材料处理机、工业机器人和传感器。最后一个功能集是增强型移动宽带 (eMBB)，它支持带宽密集型应用，例如工厂内部和周围的 4K 摄像机，以监控生产、员工安全和人身安全。即使拥有这些和其他先进功能，移动运营商仍需要额外的工具来确保其 5G 网络能够充分利用物联网机会。 Analysys Mason 的一项调查显示，私有 5G 网络的运营商也是如此，76% 的制造商计划到 2024 年部署这些网络。

超越基线 5G人工智能和机器学习 (AI/ML) 为工业 4.0 及其带来的好处奠定了基础。工业 4.0 中的关键任务用例需要超实时的 AI/ML 性能。因此，5G 不能只是启用人工智能。它必须是 AI 原生的。AI 原生是指在 5G 网络功能中构建 AI/ML 功能。这方面的一个例子是集成 AI/ML 以增强无线电接入网络 (RAN) 媒体访问控制 (MAC) 调度程序。借助此功能，网络可以通过超实时预测分析智能地提高体验质量 (QoE)。 QoE 对于智能制造等用例至关重要，在这些用例中，数字双胞胎等技术可以通过沉浸式体验提供远程人工协助来提高车间绩效并增强安全性。更重要的是，这种 AI/ML 增强也不必将运营商锁定在专有生态系统中，并遭受供应商锁定。运营商可以从 Open RAN (O-RAN) 指南中受益，提供更多选择和灵活性，以最大限度地提高频谱效率。这使他们能够克服当今 RAN 架构的主要限制之一：无线电资源管理可能是静态的，无法快速适应不断变化的交通状况和用户行为。这个例子还强调了 AI/ML 将如何从根本上改变 5G 通信系统以及它们在未来将如何设计和部署。 AI/ML 甚至能够控制部分物理 (PHY) 和媒体访问控制 (MAC) 层功能。所有这一切都直接有利于物联网、大量工业 4.0 用例等——现在和未来。优化效率和性能许多制造业物联网应用旨在最大限度地提高效率。正如 AI/ML 如何改变 5G 网络一样，它也可以为制造物联网应用做同样的事情。在这里，它可以减少所需的无线电资源、电力和频谱的数量。当然，节省的电力可以帮助运营商提高他们的绿色证书并节省资本支出和运营支出。例如，在公共 5G 网络的情况下，节省的 CAPEX 和 OPEX 可以帮助运营商以具有竞争力的方式为其服务定价，但又能盈利——这是众所周知的对成本敏感的物联网市场的一大优势。即使在要求苛刻的用例中，这些好处也是可能的。例如，当实时 4K 视频等物联网应用需要超快的千兆速度时，它们不会比低带宽应用需要更多的无线电资源、频谱或功率。这怎么可能？这是因为接入控制、无线资源调度、移动性管理和无线资源管理等RAN功能目前都是基于规则的。它们无法适应网络的动态，或每个物联网设备访问的服务。当引入 ML 的智能自动化为 RAN 功能提供动力时，尤其是在较低的协议层中，它可以动态地做出决策，以实现高效的网络资源分配并改善用户体验。因此，它可以动态提升实时 4K 视频等用例。注入 AI/ML 时的关键考虑因素将 ML 引入较低 RAN 层时的关键挑战是可用于调度决策的时间窗口有限，大约需要 1 毫秒。对于分秒必争的物联网应用，机器学习算法不能引入任何延迟。即使是几秒钟的处理延迟也会严重影响整体 QoE 并破坏频谱效率。确保基于 ML 的更新可以在现有的 5G-gNodeB 平台上运行而无需硬件加速器或 GPU 也很重要。这可以通过将智能引入最关键和时间敏感的第 2 层 MAC 调度程序功能来实现，这些功能在无线电资源分配中起着关键作用。在实验室环境中，这种方法将频谱效率提高了 15%，同时将小区吞吐量提高了 11.76%。这就是使运营商（公共和私人）能够动态提升每个 IoT 应用程序的 QoE 的原因。这是一项了不起的能力。在 MAC 层，人工智能驱动的预测分析可以预测，然后根据每个物联网设备的信号质量和移动模式为信号传输分配适当的调制和编码方案 (MCS) 值。然后，RAN 可以跨不同的网络层智能地分配 MAC 资源，以满足每个定制的需求。例如，它可以提供更准确的 MCS 预测、实现更好的频谱效率以及智能处理具有不同需求的不同设备。这种自动化可以有效地增加每个小区的流量，使运营商能够管理更多的用户并成功启动新的物联网应用程序。强大、灵活、更环保的框架原生 AI 和 5G 的框架采用完全容器化的架构。它是云原生的，并作为独立且松散耦合的微服务的集合运行。它们具有高度可扩展性，可以在公共云、私有云和混合云之上运行，从而为运营商提供更多的灵活性和选择余地。他们使用服务网格架构进行托管、可观察和安全的通信。通过使用 API 和服务网格来抽象微服务网络的复杂性，这个强大的框架允许运营商和企业快速引入和扩展新服务。由于硬件层和 AI 层都是抽象的，制造商和其他企业拥有保持连接、竞争力和盈利所需的敏捷性、性能和节省。与原生 AI 的连接对于行业数字化和加速工业 4.0 计划至关重要。 AI原生方法通过智能链路自适应优化分配给用户的无线电资源。这提高了 QoE 并支持关键任务操作。改进的 QoE 是 O-RAN 的关键属性之一。 O-RAN 与原生 AI 是一个强大的组合。原生 AI 和 5G O-RAN 的主要好处之一是特别及时。通过集成在一起，它们可以通过优化无线电资源和更高的带宽为工业 4.0 提供出色的 QoE。重要的是，它可以在不消耗更多无线电资源的情况下这样做。即传输无线电信号的功耗更低。简而言之，这提高了能源效率并增强了可持续性。在研究显示该行业的二氧化碳排放量几乎是航空业的两倍后，可持续发展被认为是电信公司议程的首要任务。显然，移动网络上的原生 AI 还不够快。